2 курс / Информатика / Методичка(учебное пособие)

Приложение 10

КРАТКИЕ ТЕОРЕТИЧЕСКИЕ СВЕДЕНИЯ К ТЕМЕ № 10

Искусственные нейронные сети (ИНС) — математические модели, а также их программные или аппаратные реализации, построенные по принципу организации и функционирования биологических нейронных сетей — сетей нервных клеток живого организма. Это понятие возникло при изучении процессов, протекающих в мозге, и при попытке смоделировать эти процессы. Первой такой попыткой были нейронные сети У. Маккалока и У. Питтса. После разработки алгоритмов обучения, получаемые модели стали использовать в практических целях: в задачах прогнозирования, для распознавания образов, в задачах управления и др.

ИНС представляют собой систему соединённых и взаимодействующих между собой простых процессоров (искусственных нейронов). Такие процессоры обычно довольно просты (особенно в сравнении с процессорами, используемыми в персональных компьютерах). Каждый процессор подобной сети имеет дело только с сигналами, которые он периодически получает, и сигналами, которые он периодически посылает другим процессорам. И, тем не менее, будучи соединёнными в достаточно большую сеть с управляемым взаимодействием, такие локально простые процессоры вместе способны выполнять довольно сложные задачи.

С точки зрения машинного обучения, нейронная сеть представляет собой частный случай методов распознавания образов, дискриминантного анализа, методов кластеризации и т. п. С математической точки зрения, обучение нейронных сетей — это многопараметрическая задача нелинейной оптимизации. С точки зрения кибернетики, нейронная сеть используется в задачах адаптивного управления и как алгоритмы для робототехники. С точки зрения развития вычислительной техники и программирования, нейронная сеть — способ решения проблемы эффективного параллелизма. А с точки зрения искусственного интеллекта, ИНС является основой философского течения коннективизма и основным направлением в структурном подходе по изучению возможности построения (моделирования) естественного интеллекта с помощью компьютерных алгоритмов.

Нейронные сети не программируются в привычном смысле этого слова, они обучаются. Возможность обучения — одно из главных преимуществ нейронных сетей перед традиционными алгоритмами. Технически обучение заключается в нахождении коэффициентов связей между нейронами. В процессе обучения нейронная сеть способна выявлять сложные зависимости между входными данными и выходными, а также выполнять обобщение. Это значит, что в случае успешного обучения сеть сможет вернуть верный результат на основании данных, которые отсутствовали в обучающей выборке, а также неполных и/или «зашумленных», частично искаженных данных.

Типы архитектур нейросетей. Из точек на плоскости и соединений между ними можно построить множество графических фигур, называемых графами. Если каждую точку представить себе как один нейрон, а соединения между точками – как дендриты и синапсы, то мы получим нейронную сеть. Но не всякое соединение нейронов будет работоспособно или вообще целесообразно. Поэтому на сегодняшний день существует только несколько работающих и реализованных программно архитектур нейросетей. Вкратце опишим их устройство и классы решаемых ими задач.

По архитектуре связей нейросети могут быть сгруппированы в два класса: сети прямого распространения, в которых связи не имеют петель и сети рекуррентного типа, в которых возможны обратные связи. Сети прямого распространения подразделяются на однослойные перцепротроны (сети) и многослойные перцептроны (сети). Название перцептрона для нейросетей придумал американский нейрофизиолог Ф. Розенблатт,

201

придумавший в 1957 году первый нейропроцессорный элемент (НПЭ), то есть нейросеть. Он же доказал сходимость области решений для перцептрона при его обучении. Сразу после этого началось бурное исследование в этой области, и был создан самый первый нейрокомпьютер Mark I. Многослойные сети отличаются тем, что между входными и выходными данными располагаются несколько так называемых скрытых слоев нейронов, добавляющих больше нелинейных связей в модель.

Рассмотрим устройство простейшей многослойной нейросети. Любая нейронная сеть состоит из входного слоя и выходного слоя. Соответственно подаются независимые и зависимые переменные. Входные данные преобразуются нейронами сети и сравниваются с выходом. Если отклонение больше заданного, то специальным образом изменяются веса связей нейронов между собой и пороговые значения нейронов. Снова происходит процесс вычисления выходного значения и его сравнение с эталоном. Если отклонения меньше заданной погрешности, то процесс обучения прекращается.

Помимо входного и выходного слоев в многослойной сети существуют так называемые скрытые слои. Они представляют собой нейроны, которые не имеют непосредственных входов исходных данных, а связаны только с выходами входного слоя и с входом выходного слоя. Таким образом, скрытые слои дополнительно преобразуют информацию и добавляют нелинейности в модели.

Если однослойная нейросеть очень хорошо справляется с задачами классификации, так как выходной слой нейронов сравнивает полученные от предыдущего слоя значения с порогом и выдает значение либо ноль, то есть меньше порогового значения, либо единицу - больше порогового (для случая пороговой внутренней функции нейрона), и не способен решать большинство практических задач (что было доказано Минским и Пейпертом), то многослойный перцептрон с сигмоидными решающими функциями способен аппроксимировать любую функциональную зависимость (это было доказано в виде теоремы). Но при этом не известно ни нужное число слоев, ни нужное количество скрытых нейронов, ни необходимое для обучения сети время. Эти проблемы до сих пор стоят перед исследователями и разработчиками нейросетей. Класс рекуррентных нейросетей гораздо обширнее, да и сами сети сложнее по своему устройству.

Поведение рекуррентных сетей описывается дифференциальными или разностными уравнениями, как правило, первого порядка. Это расширяет области применения нейросетей и способы их обучения. Сеть организована так, что каждый нейрон получает входную информацию от других нейронов, возможно, и от самого себя, и от окружающей среды. Этот тип сетей имеет важное значение, так как с их помощью можно моделировать нелинейные динамические системы. Среди рекуррентных сетей можно выделить сети Хопфилда и сети Кохонена.

С помощью сетей Хопфилда можно обрабатывать неупорядоченные (рукописные буквы), упорядоченные во времени (временные ряды) или пространстве (графики) образцы. Рекуррентная нейросеть простейшего вида была введена Хопфилдом и построена она из N нейронов, связанных каждый с каждым кроме самого себя, причем все нейроны являются выходными. Нейросеть Хопфилда можно использовать в качестве ассоциативной памяти.

Сеть Кохонена еще называют "самоорганизующейся картой признаков". Сеть такого типа рассчитана на самостоятельное обучение во время обучения сообщать ей правильные ответы необязательно. В процессе обучения на вход сети подаются различные образцы. Сеть улавливает особенности их структуры и разделяет образцы на кластеры, а уже обученная сеть относит каждый вновь поступающий пример к одному из кластеров, руководствуясь некоторым критерием "близости". Сеть состоит из одного входного и одного выходного слоя. Количество элементов в выходном слое непосредственно определяет, сколько различных кластеров сеть сможет распознать.

202

Каждый из выходных элементов получает на вход весь входной вектор. Как и во всякой нейронной сети, каждой связи приписан некоторый синаптический вес. В большинстве случаев каждый выходной элемент соединен также со своими соседями. Эти внутрислойные связи играют важную роль в процессе обучения, так как корректировка весов происходит только в окрестности того элемента, который наилучшим образом откликается на очередной вход. Выходные элементы соревнуются между собой за право вступить в действие и "получить урок". Выигрывает тот из них, чей вектор весов окажется ближе всех к входному вектору.

Главное отличие и преимущество нейросетей перед классическими средствами прогнозирования и классификации заключается в их способности к обучению. На этапе обучения происходит вычисление синаптических коэффициентов в процессе решения нейронной сетью задач, в которых нужный ответ определяется не по правилам, а с помощью примеров, сгруппированных в обучающие множества. Так что нейросеть на этапе обучения сама выполняет роль эксперта в процессе подготовки данных для построения экспертной системы. Предполагается, что правила находятся в структуре обучающих данных.

Для обучения нейронной сети требуются обучающие данные. Они должны отвечать свойствам представительности и случайности или последовательности. Все зависит от класса решаемой задачи. Такие данные представляют собой ряды примеров с указанием для каждого из них значением выходного параметра, которое было бы желательно получить. Действия, которые при этом происходят, можно назвать контролируемым обучением: "учитель" подает на вход сети вектор исходных данных, а на выходной узел сообщает желаемое значение результата вычислений. Контролируемое обучение нейросети можно рассматривать как решение оптимизационной задачи. Ее целью является минимизация функции ошибок Е на данном множестве примеров путем выбора значений весов W. Достижение минимума называется сходимостью процесса обучения. Именно возможность этого и доказал Розенблатт. Поскольку ошибка зависит от весов нелинейно, получить решение в аналитической форме невозможно, и поиск глобального минимума осуществляется посредством итерационного процесса - так называемого обучающего алгоритма. Разработано уже более сотни разных обучающих алгоритмов, отличающихся друг от друга стратегией оптимизации и критерием ошибок.

Организация процесса обучения. Из теоремы об отображении практически любой функции с помощью многослойной нейросети следует, что обучаемая нами нейронная сеть в принципе способна сама подстроиться под любые данные с целью минимизации суммарной квадратичной ошибки. Чтобы этого не происходило, при обучении нейросетей используют следующий способ проверки сети. Для этого обучающую выборку еще перед началом обучения разбивают случайным образом на две подвыборки: обучающую и тестовую. Обучающую выборку используют собственно для процесса обучения, при этом изменяются веса нейронов. А тестовую используют в процессе обучения для проверки на ней суммарной квадратичной ошибки, но при этом не происходит изменение весов. Если нейросеть показывает улучшение аппроксимации и на обучающей, и на тестовой выборках, то обучение сети происходит в правильном направлении. Иначе может снижаться ошибка на обучающей выборке, но происходить ее увеличение на тестовой. Последнее означает, что сеть "переобучилась" и уже не может быть использована для прогнозирования или классификации. В этом случае немного изменяются веса нейронов, чтобы вывести сеть из окрестности локального минимума ошибки.

Более подробные теоретические сведения Вы можете получить, используя для подготовки указанную выше учебную литературу.

203

ТЕМА № 11

ТИПЫ ИНФОРМАЦИОННЫХ СИСТЕМ В ОБЛАСТИ ЗДРАВООХРАНЕНИЯ. ГОСПИТАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ И ИХ РАЗВИТИЕ.

МЕДИЦИНСКИЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ. АРМ ВРАЧА

АКТУАЛЬНОСТЬ ТЕМЫ

Развитие клинической и экспериментальной медицины сопровождается внедрением новых методов исследования для изучения разнообразных параметров и функций организма. Информационный поток быстро и непрерывно растет. Сопоставление и хранение большого количества медицинской информации с помощью старых методов “ручной” обработки становится почти невозможным, результаты медицинских исследований искусственно разбиваются операторами на отдельные фрагменты для частичной обработки, при этом теряется много важной связующей информации.

Применение в медицине рациональных методов обработки информации с использованием ЭВМ стало необходимостью. Современная концепция рабочих станций, в основе которых лежит интегрированный “интеллектуальный” интерфейс пользователя и широкий доступ к развитым подсистемам, позволяет создать основу для построения персональных или групповых автоматизированных рабочих мест (АРМ), на которые возложено решение ряда взаимосвязанных практических задач. Наиболее перспективными можно считать машинные технологии ведения документации, которые объединяют в себе все преимущества компьютерных систем и унифицированных технологий (в первую очередь в связи с экономией времени).

ЦЕЛЬ ЗАНЯТИЯ

Общая цель - овладеть умением работы с предложенной схемой-программой “Автоматизированое Рабочее Место” врача (АРМ).

Конкретные цели:

1.Овладеть навыками введения информации в предложенной схеме-программе “Автоматизированное Рабочее Место”.

2.Овладеть навыками получения и редактирования информации в предложенной схеме-программе “Автоматизированное Рабочее Место”.

3.Изучить методы анализа информации в предложенной схеме-программе “Автоматизированное Рабочее Место”.

СОДЕРЖАНИЕ ОБУЧЕНИЯВ СООТВЕТСТВИИ С ЦЕЛЯМИ

Содержание обучения должно обеспечивать достижение целей обучения, чему способствует изучение графа логической структуры изучаемой темы.

ТЕОРЕТИЧЕСКИЕ ВОПРОСЫ

1.Типы информационных систем в области здравоохранения.

2.Госпитальные информационные системы, типы, их развитие и применение в области охраны здоровья.

204

3.Этические и правовые принципы управления медицинской информацией.

4.Личные данные и конфиденциальность. Доступ и защита данных.

5.Классификация и функции медицинских информационных систем.

6.Автоматизированное рабочее место (АРМ) врача.

ГРАФ ЛОГИЧЕСКОЙ СТРУКТУРЫ ТЕМЫ № 11

«ТИПЫ ИНФОРМАЦИОННЫХ СИСТЕМ В ОБЛАСТИ

ЗДРАВООХРАНЕНИЯ. ГОСПИТАЛЬНЫЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ И ИХ РАЗВИТИЕ. МЕДИЦИНСКИЕ ИНФОРМАЦИОННЫЕ СИСТЕМЫ. АРМ ВРАЧА»

ИСТОЧНИКИ ИНФОРМАЦИИ

Основная литература:

1.Герасимов А.Н. Медицинская информатика: Учебное пособие, с приложением на СД. – М.: ООО «Медицинское информационное агенство», 2008. – 324 с.

2.Булах I.Є. Медична інформатика в модулях. - Київ, Медицина, 2009. – С. 144 -

153.

205

3.Булах I.Є., Лях Ю.Є., Хаїмзон І.І. Медична інформатика. Учбовий посібник для студентів ІІ курсу медидичних спеціальностей. – Київ, 2006. – С. 4-24.

4.Панченко О.А., Лях Ю,Е., Антонов В.Г. Медицина и интернет . Учебносправочное пособие. - Донецк.; СПД Дмитренко, 2008.- С.353 - 417.

5.Гельман В.Я. Медицинскаяинформатика,М.-Х.-М.,ПИТЕР,2002р.-С.333-387.

Дополнительная литература:

1.Гринхальд Т. Основы доказательной медицины : Пер. с англ. – М.: ГЭОТАР-

Медиа, 2006. – 240с.

2.Петри А., Себин К. Наглядная медицинская статистика / А. Петри, К. Сэбин; пер. с англ. Под ред. В.П. Леонова. – 2-е изд., перераб. И доп. – М.: ГЭОТАР-Медиа, 2010. – 168 с.

3.Edward H.Shortliffe. Medical Informatics. Computer Applications in Health Care and Biomedicine / editors, Edward H.Shortliffe, Leslie E. Perreault. – Second Edition. – Springer-Verlag New York, Inc., 2001. – 854 p.

ОРИЕНТИРОВОЧНАЯ ОСНОВА ДЕЙСТВИЯ

Алгоритмпроведенияпрактического занятия

1. Преподаватель проверяет теоретическую подготовку студентов по теме занятия путем проведения входного тестового контроля, производит разбор темы занятия, алгоритм выполнения практического задания и вопросы, которые возникли в процессе самостоятельной подготовки к практическомузанятию.

2.Под руководством преподавателя студенты выполняют практическую часть занятия, в соответствии с алгоритмом выполнения практического задания.

Вся работа студентов осуществляется под контролем и при консультативной помощи преподавателя.

3.Преподаватель подводит итоги проведенного занятия и дает указания, задания

сподготовки к следующему занятию.

ИСПОЛЬЗУЕМЫЕ КОМПЬЮТЕРНЫЕ УЧЕБНЫЕ ПРОГРАММЫ

1.Операционные системы: Linux

2.Прикладные программы общего назначения: Libre (Open) Office Writer, Libre (Open) Office Calc.

3.Программы общего назначения: браузеры Opera, Internet Explorer, Mozilla

Firefox.

ПРАКТИЧЕСКОЕ ЗАДАНИЕ № 1. Найти, используя Интернет – браузер, сайты, где предлагаются услуги по созданию медицинских информационных систем на базе поликлиники, стационара и лечебно-профилактического учреждения. Запишите все данные о предприятии-разработчике, основные преимущества предложенного продукта, контактное лицо, почтовый и электронный адрес (привести не менее трех примеров).

206

Алгоритм выполнения практического задания № 1:

Шаг – 1. Включите компьютер. Дождитесь загрузки установленной операционной системы. Найдите и запустите любой Internet браузер (Opera, Mozilla Firefox, Google Chrome).

Шаг 1

Шаг – 2. Найдите и откройте один из Интернет – поисковиков (Google, Яндекс).

Шаг 2

Шаг – 3. В графе «Поиск» введите запрос, по которому состоится поиск информации в сети, или напишите название веб-сайта, нажмите «Выполнить поиск».

207

Шаг 3

Шаг–4. Открыть ипроанализироватьинформациюнасайтах, которыебыли открыты поисковиком.

Шаг 4

Шаг – 5. Зафиксировать нужный сайт, скопировать найденную информацию в файл с помощьютекстового редактора,выписатьнужную информациювтетрадь, проанализировать найденнуюинформацию.

Шаг – 6. Сохраните созданный документ в формате ...*odt в папке Documents, в разделе Student, используя средства ограничения доступа в виде пароля. Название файла должно соответствовать фамилии студента, который его создал.

208

. Шаг 6

Шаг 6

Шаг – 7. Представьте выполненное задание преподавателю.

ПРАКТИЧЕСКОЕ ЗАДАНИЕ № 2. Работа в программе «SOMATOM» как одного из элементов АРМ врача радиолога, необходимого для визуализации изображений. Овладеть умением отбора, визуализации и анализа информации согласно индивидуальным заданиям.

Алгоритм выполнения практического задания 2:

Шаг – 1. Включите компьютер. Дождитесь загрузки установленной операционной системы. Зайдите в меню “Start”.

209

Шаг 1

Шаг – 2. В разделе «Учебные программы для студентов» откройте учебную программу «SOMATOM РС» для визуального анализа радиографических изображений DICOM - стандарта.

«SOMATOM РС»

Шаг 2

Шаг – 3. Найти и загрузить DICOM файлы пациентов, расположенные в предложенной программе «SOMATOM РС», согласно индивидуальному практическому заданию.

210